一种基于深度学习的少资料小流域水位预报方法技术

本发明专利技术公开了一种基于深度学习的少资料小流域水位预报方法，包括：获取小流域上游多个雨量站的历史逐小时降雨数据及下游水位站的历史逐小时水位数据；对获取的数据进行预处理，筛选24小时内单小时降雨量达到15mm以上的降雨场次及对应水位数据；通过双生成GAN模型进行数据增强，第一GAN模型以白噪声为输入生成模拟降雨数据，第二GAN模型以降雨数据为输入生成模拟水位数据，合并历史数据与模拟数据，归一化后按比例分割成训练集、验证集和测试集；构建CNN‑LSTM混合预测模型，以纳什系数为优化目标训练模型，采用渐进式验证策略对预测模型进行验证；部署模型进行实时水位预测，获得水位预报结果。本发明专利技术能够突破少资料瓶颈，实现小流域水位高精度山洪预警。

【技术实现步骤摘要】

本专利技术涉及小流域水位预报，尤其涉及一种基于深度学习的少资料小流域水位预报方法。

技术介绍

1、水位预报是小流域山洪灾害防治的关键环节，传统水文模型（如新安江模型、hec-hms等）依赖物理机理方程描述降雨-径流-水位关系，在少资料小流域面临严重局限：专业门槛高：需水文专家预设流域参数（如下渗率、汇流时间），对无长期监测资料的流域建模困难；数据需求苛刻：要求多年完整降雨-水位数据；极端事件预测失效：传统模型依赖线性假设，对单小时降雨≥15mm的暴雨场次预测误差达35%以上，无法满足山洪预警要求。

2、现有改进方案（如统计模型、简单机器学习）虽降低数据需求，但仍存在两大缺陷：数据增强方法（如smote）生成非物理可行的降雨模式，导致“虚假峰现”问题；端到端深度学习模型（如单一lstm）忽视多站点降雨的空间异质性，预测水位突变滞后2-3小时。因此，亟需一种兼顾少资料适应性与极端事件预测精度的水位预报方法。

技术实现思路

1、为解决现有技术中少资料小流域因数据稀缺、极端事件样本不足导致的水位预测精度低本文档来自技高网...

【技术保护点】

1.一种基于深度学习的少资料小流域水位预报方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述第二GAN模型的生成器采用下采样-上采样对称结构生成模拟水位数据，所述生成器包含三层下采样卷积层和三层上采样反卷积层；

3.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述CNN-LSTM混合预测模型中CNN模块的多尺度特征融合通过双分支协同实现：

4.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述CNN-LSTM混合预测模型中LSTM模...

【技术特征摘要】

1.一种基于深度学习的少资料小流域水位预报方法，其特征在于，包括：

2.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述第二gan模型的生成器采用下采样-上采样对称结构生成模拟水位数据，所述生成器包含三层下采样卷积层和三层上采样反卷积层；

3.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述cnn-lstm混合预测模型中cnn模块的多尺度特征融合通过双分支协同实现：

4.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述cnn-lstm混合预测模型中lstm模块采用时空注意力机制，所述时空注意力机制按层级结构运作：

5.根据权利要求1所述的一种基于深度学习的少资料小流域水位预报方法，其特征在于，所述渐进式验...

【专利技术属性】
技术研发人员：杨逸舟，员鹏，张扬，吴修广，王月华，许明涛，余维维，李晓龙，钱红昇，吴鲜雅，
申请(专利权)人：杭州定川信息技术有限公司，
类型：发明
国别省市：